1、由于高光譜圖像具有高維非線性，像元混合嚴重，信息冗余等特點，使得其圖像處理相當復雜。為了能夠避免高光譜數據處理過程中，出現(xiàn)的Hughes現(xiàn)象，即維數災難，將高斯過程分類(Gaussian Process Classifier，GPC)引入其中。高斯過程分類(Gaussian Process Classifier，GPC)是一種，在貝葉斯(Bayesian)框架下的概率化分類算法，是貝葉斯完全概率化表達，已經成功用于模式識別與軟工業(yè)測量等

2、領域。本文在高斯過程的基礎上，以高光譜數據為背景，對高光譜圖像高斯過程分類算法進行深入研究。
　　本文針對高光譜圖像分類的主要工作如下：
　　1.介紹高斯過程基本原理，簡要分析分類的基礎理論，高光譜圖像的特點，給出了圖像分類的評價指標體系，同時給出了高斯過程高光譜分類模型。
　　2.以拉普拉斯近似化方法下為例，介紹直接法多類分類算法。以二類分類為基礎進行高光譜圖像分類，提出一種間接多目標分類方法即二對二高斯過程多目標分

3、類。以二類分類為基礎的高光譜圖像在算法實現(xiàn)上比較簡潔，優(yōu)化二類分類的同時，即意味著優(yōu)化多類分類。
　　3.在分析核函數的不同特點的基礎上，給出了幾種組合核函數，并將其用于高光譜圖像分類中，取得了一定效果。組合核函數的優(yōu)點在于：依據不同性能的核函數組合而成的新構造的核函數既擁有局部性能更好核函數的學習能力，又能夠擁有全局性能較好核函數的更好的推廣能力。
　　4.介紹了Parzen窗似然估計的基本原理，再結合組合核函數，提出Pa